Análisis de modelos SOM - Frecuencia datos de entrada: mes

Modelo

• ID: 298
• Descripción:
• Frecuencia: mes
• Variables: tmax, tmin, precip, longitud, latitud, altitud
• Dimensiones del mapa: 5,5
• Iteraciones: 10000
• Parámetros adicionales:

source("../../lib/som-utils.R")

Attaching package: 'dplyr'

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

source("../../lib/maps-utils.R")

Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1

Carga del modelo desde disco

mpr.set_base_path_analysis()
model <- mpr.load_model("som-298.rds.xz")
summary(model)

SOM of size 5x5 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.853.

plot(model, type="changes")

Carga del dataset de entrada

df <- mpr.load_data("datos_mes.csv.xz")

df

summary(df)

 id_estacion           fecha             fecha_cnt           tmax      
 Length:94881       Length:94881       Min.   : 1.000   Min.   :-53.0  
 Class :character   Class :character   1st Qu.: 4.000   1st Qu.:148.0  
 Mode  :character   Mode  :character   Median : 6.000   Median :198.0  
                                       Mean   : 6.497   Mean   :200.2  
                                       3rd Qu.: 9.000   3rd Qu.:255.0  
                                       Max.   :12.000   Max.   :403.0  
      tmin             precip           nevada           prof_nieve      
 Min.   :-121.00   Min.   :  0.00   Min.   :0.000000   Min.   :   0.000  
 1st Qu.:  53.00   1st Qu.:  3.00   1st Qu.:0.000000   1st Qu.:   0.000  
 Median :  98.00   Median : 10.00   Median :0.000000   Median :   0.000  
 Mean   :  98.86   Mean   : 16.25   Mean   :0.000295   Mean   :   0.467  
 3rd Qu.: 148.00   3rd Qu.: 22.00   3rd Qu.:0.000000   3rd Qu.:   0.000  
 Max.   : 254.00   Max.   :422.00   Max.   :6.000000   Max.   :1834.000  
    longitud        latitud            altitud      
 Min.   :27.82   Min.   :-17.8889   Min.   :   1.0  
 1st Qu.:38.28   1st Qu.: -5.6417   1st Qu.:  42.0  
 Median :40.82   Median : -3.4500   Median : 247.0  
 Mean   :39.66   Mean   : -3.4350   Mean   : 418.5  
 3rd Qu.:42.08   3rd Qu.:  0.4914   3rd Qu.: 656.0  
 Max.   :43.57   Max.   :  4.2156   Max.   :2535.0  

Carga de los mapas

world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")

Mapa de densidad

plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)

Número de elementos en cada celda:

nb <- table(model$unit.classif)
print(nb)

   1    2    3    4    5    6    7    8    9   10   11   12   13   14   15   16 
 631 2776 3157 4954 1668 4558 2617 3184 4547 6033 4399 1190 6665 2263 5909 5796 
  17   18   19   20   21   22   23   24   25 
4501 4767 4992 1189 3736 4577 5082 1035 4655 

Comprobación de nodos vacíos:

dim_model <- 5*5;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
  print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}

Mapa de distancia entre vecinos

plot(model, type="dist.neighbours", shape = "straight")

Influencia de las variables

model_colnames = c("tmax", "tmin", "precip", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)

Mapa de variables.

plot(model, shape = "straight")

Mapa de calor por variable

par(mfrow=c(3,4))
for (j in 1:model_ncol) {
  plot(model, type="property", property=getCodes(model,1)[,j],
    palette.name=mpr.coolBlueHotRed,
    main=model_colnames[j],
    cex=0.5, shape = "straight")
}

Correlación para cada columna del vector de nodos

if (!empty_nodes) {
  cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
  print(cor)
}

           tmax       tmin     precip   longitud    latitud    altitud
[1,] -0.4469758 -0.3846492 -0.1579625 -0.4717705 -0.2495934  0.2167603
[2,]  0.8561397  0.8536229 -0.5704927 -0.5794443 -0.2730459 -0.3050501

Representación de cada variable en un mapa de factores:

if (!empty_nodes) {
  par(mfrow=c(1,1))
  plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
  lines(c(-1,1),c(0,0))
  lines(c(0,0),c(-1,1))
  text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
  symbols(0,0,circles=1,inches=F,add=T)
}

Importancia de cada variable - varianza ponderada por el tamaño de la celda:

if (!empty_nodes) {
  sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
     {m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
     effectif=nb))
  print(sort(sigma2,decreasing=T))
}

 longitud   altitud      tmax   latitud      tmin    precip 
0.9582347 0.9392197 0.9300770 0.9294257 0.9289085 0.8798952 

Clustering

if (!empty_nodes) {
  hac <- mpr.hac(model, nb)
}

Visualización de 3 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=3)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=3)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin             precip      
 Min.   : 1.000   Min.   :-53.0   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 3.000   1st Qu.:128.0   1st Qu.:  33.00   1st Qu.:  7.00  
 Median : 5.000   Median :163.0   Median :  66.00   Median : 16.00  
 Mean   : 6.089   Mean   :160.9   Mean   :  65.51   Mean   : 21.89  
 3rd Qu.:10.000   3rd Qu.:196.0   3rd Qu.:  96.00   3rd Qu.: 30.00  
 Max.   :12.000   Max.   :352.0   Max.   : 223.00   Max.   :422.00  
     nevada          prof_nieve           longitud        latitud        
 Min.   :0.00000   Min.   :   0.0000   Min.   :27.82   Min.   :-17.8889  
 1st Qu.:0.00000   1st Qu.:   0.0000   1st Qu.:39.86   1st Qu.: -5.5975  
 Median :0.00000   Median :   0.0000   Median :41.42   Median : -3.1742  
 Mean   :0.00047   Mean   :   0.7396   Mean   :40.93   Mean   : -2.7733  
 3rd Qu.:0.00000   3rd Qu.:   0.0000   3rd Qu.:42.47   3rd Qu.:  0.4731  
 Max.   :6.00000   Max.   :1834.0000   Max.   :43.57   Max.   :  4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  58.0  
 Median : 316.0  
 Mean   : 453.8  
 3rd Qu.: 687.0  
 Max.   :2535.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   :168.0   Min.   : 54.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 6.000   1st Qu.:252.0   1st Qu.:128.0   1st Qu.: 1.000   1st Qu.:0  
 Median : 7.000   Median :279.0   Median :156.0   Median : 4.000   Median :0  
 Mean   : 7.348   Mean   :278.3   Mean   :156.1   Mean   : 6.661   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:305.0   3rd Qu.:183.0   3rd Qu.:11.000   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :254.0   Max.   :43.000   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :35.28   Min.   :-7.8603   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:37.98   1st Qu.:-4.0492   1st Qu.:  34.0  
 Median : 0.00000   Median :40.07   Median :-1.4106   Median : 143.0  
 Mean   : 0.00193   Mean   :39.74   Mean   :-1.7702   Mean   : 320.6  
 3rd Qu.: 0.00000   3rd Qu.:41.42   3rd Qu.: 0.6217   3rd Qu.: 617.0  
 Max.   :35.00000   Max.   :43.36   Max.   : 4.2156   Max.   :1572.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:200.0   1st Qu.:132.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median :  1.000   Median :0  
 Mean   : 6.507   Mean   :217.4   Mean   :150.6   Mean   :  7.059   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.:  8.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :114.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.50   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03082   Mean   :28.37   Mean   :-16.05   Mean   : 518.6  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

Visualización de 4 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=4)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=4)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax          tmin            precip           nevada 
 Min.   : 1.000   Min.   : -8   Min.   :-58.00   Min.   : 49.00   Min.   :0  
 1st Qu.: 3.000   1st Qu.:126   1st Qu.: 58.00   1st Qu.: 61.50   1st Qu.:0  
 Median : 9.000   Median :147   Median : 77.00   Median : 74.00   Median :0  
 Mean   : 7.046   Mean   :151   Mean   : 79.87   Mean   : 82.04   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:173   3rd Qu.:100.00   3rd Qu.: 92.00   3rd Qu.:0  
 Max.   :12.000   Max.   :350   Max.   :223.00   Max.   :422.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   :  0.0000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.0000   1st Qu.:42.24   1st Qu.: -8.411   1st Qu.:  42.0  
 Median :  0.0000   Median :42.89   Median : -5.598   Median : 108.0  
 Mean   :  0.6346   Mean   :42.23   Mean   : -4.912   Mean   : 203.8  
 3rd Qu.:  0.0000   3rd Qu.:43.36   3rd Qu.: -2.039   3rd Qu.: 261.0  
 Max.   :892.0000   Max.   :43.57   Max.   :  4.216   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin             precip      
 Min.   : 1.000   Min.   :-53.0   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 3.000   1st Qu.:128.0   1st Qu.:  31.00   1st Qu.:  6.00  
 Median : 5.000   Median :164.0   Median :  65.00   Median : 15.00  
 Mean   : 6.031   Mean   :161.5   Mean   :  64.64   Mean   : 18.24  
 3rd Qu.:10.000   3rd Qu.:197.0   3rd Qu.:  96.00   3rd Qu.: 27.00  
 Max.   :12.000   Max.   :352.0   Max.   : 221.00   Max.   :126.00  
     nevada           prof_nieve          longitud        latitud       
 Min.   :0.000000   Min.   :   0.000   Min.   :35.28   Min.   :-8.6494  
 1st Qu.:0.000000   1st Qu.:   0.000   1st Qu.:39.85   1st Qu.:-5.4981  
 Median :0.000000   Median :   0.000   Median :41.32   Median :-2.9553  
 Mean   :0.000499   Mean   :   0.746   Mean   :40.85   Mean   :-2.6435  
 3rd Qu.:0.000000   3rd Qu.:   0.000   3rd Qu.:42.44   3rd Qu.: 0.4914  
 Max.   :6.000000   Max.   :1834.000   Max.   :43.57   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  58.0  
 Median : 353.0  
 Mean   : 468.9  
 3rd Qu.: 704.0  
 Max.   :2535.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   :168.0   Min.   : 54.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 6.000   1st Qu.:252.0   1st Qu.:128.0   1st Qu.: 1.000   1st Qu.:0  
 Median : 7.000   Median :279.0   Median :156.0   Median : 4.000   Median :0  
 Mean   : 7.348   Mean   :278.3   Mean   :156.1   Mean   : 6.661   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:305.0   3rd Qu.:183.0   3rd Qu.:11.000   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :254.0   Max.   :43.000   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :35.28   Min.   :-7.8603   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:37.98   1st Qu.:-4.0492   1st Qu.:  34.0  
 Median : 0.00000   Median :40.07   Median :-1.4106   Median : 143.0  
 Mean   : 0.00193   Mean   :39.74   Mean   :-1.7702   Mean   : 320.6  
 3rd Qu.: 0.00000   3rd Qu.:41.42   3rd Qu.: 0.6217   3rd Qu.: 617.0  
 Max.   :35.00000   Max.   :43.36   Max.   : 4.2156   Max.   :1572.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:200.0   1st Qu.:132.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median :  1.000   Median :0  
 Mean   : 6.507   Mean   :217.4   Mean   :150.6   Mean   :  7.059   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.:  8.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :114.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.50   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03082   Mean   :28.37   Mean   :-16.05   Mean   : 518.6  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

Visualización de 5 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=5)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=5)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax          tmin            precip           nevada 
 Min.   : 1.000   Min.   : -8   Min.   :-58.00   Min.   : 49.00   Min.   :0  
 1st Qu.: 3.000   1st Qu.:126   1st Qu.: 58.00   1st Qu.: 61.50   1st Qu.:0  
 Median : 9.000   Median :147   Median : 77.00   Median : 74.00   Median :0  
 Mean   : 7.046   Mean   :151   Mean   : 79.87   Mean   : 82.04   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:173   3rd Qu.:100.00   3rd Qu.: 92.00   3rd Qu.:0  
 Max.   :12.000   Max.   :350   Max.   :223.00   Max.   :422.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   :  0.0000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.0000   1st Qu.:42.24   1st Qu.: -8.411   1st Qu.:  42.0  
 Median :  0.0000   Median :42.89   Median : -5.598   Median : 108.0  
 Mean   :  0.6346   Mean   :42.23   Mean   : -4.912   Mean   : 203.8  
 3rd Qu.:  0.0000   3rd Qu.:43.36   3rd Qu.: -2.039   3rd Qu.: 261.0  
 Max.   :892.0000   Max.   :43.57   Max.   :  4.216   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin             precip     
 Min.   : 1.000   Min.   : -4.0   Min.   :-110.00   Min.   : 0.00  
 1st Qu.: 3.000   1st Qu.:132.0   1st Qu.:  34.00   1st Qu.: 6.00  
 Median : 5.000   Median :166.0   Median :  66.00   Median :14.00  
 Mean   : 6.003   Mean   :165.3   Mean   :  67.14   Mean   :17.43  
 3rd Qu.:10.000   3rd Qu.:199.0   3rd Qu.:  97.00   3rd Qu.:26.00  
 Max.   :12.000   Max.   :352.0   Max.   : 221.00   Max.   :95.00  
     nevada           prof_nieve           longitud        latitud       
 Min.   :0.000000   Min.   :  0.00000   Min.   :35.28   Min.   :-8.6494  
 1st Qu.:0.000000   1st Qu.:  0.00000   1st Qu.:39.49   1st Qu.:-5.5975  
 Median :0.000000   Median :  0.00000   Median :41.29   Median :-3.4500  
 Mean   :0.000526   Mean   :  0.08321   Mean   :40.79   Mean   :-2.7727  
 3rd Qu.:0.000000   3rd Qu.:  0.00000   3rd Qu.:42.38   3rd Qu.: 0.3264  
 Max.   :6.000000   Max.   :229.00000   Max.   :43.57   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  52.0  
 Median : 263.0  
 Mean   : 381.3  
 3rd Qu.: 667.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax             tmin             precip      
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.: 32.00   1st Qu.: -30.00   1st Qu.: 17.00  
 Median : 7.000   Median : 81.00   Median :  14.00   Median : 29.00  
 Mean   : 6.556   Mean   : 89.32   Mean   :  17.88   Mean   : 33.37  
 3rd Qu.: 9.000   3rd Qu.:144.00   3rd Qu.:  68.00   3rd Qu.: 46.00  
 Max.   :12.000   Max.   :263.00   Max.   : 150.00   Max.   :126.00  
     nevada    prof_nieve        longitud        latitud           altitud    
 Min.   :0   Min.   :   0.0   Min.   :40.78   Min.   :-4.0103   Min.   :1405  
 1st Qu.:0   1st Qu.:   0.0   1st Qu.:40.78   1st Qu.:-4.0103   1st Qu.:1894  
 Median :0   Median :   0.0   Median :42.38   Median : 0.8842   Median :2143  
 Mean   :0   Mean   :  13.1   Mean   :41.94   Mean   :-0.2357   Mean   :2103  
 3rd Qu.:0   3rd Qu.:   0.0   3rd Qu.:42.53   3rd Qu.: 1.5242   3rd Qu.:2316  
 Max.   :0   Max.   :1834.0   Max.   :42.77   Max.   : 2.4378   Max.   :2535  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   :168.0   Min.   : 54.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 6.000   1st Qu.:252.0   1st Qu.:128.0   1st Qu.: 1.000   1st Qu.:0  
 Median : 7.000   Median :279.0   Median :156.0   Median : 4.000   Median :0  
 Mean   : 7.348   Mean   :278.3   Mean   :156.1   Mean   : 6.661   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:305.0   3rd Qu.:183.0   3rd Qu.:11.000   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :254.0   Max.   :43.000   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :35.28   Min.   :-7.8603   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:37.98   1st Qu.:-4.0492   1st Qu.:  34.0  
 Median : 0.00000   Median :40.07   Median :-1.4106   Median : 143.0  
 Mean   : 0.00193   Mean   :39.74   Mean   :-1.7702   Mean   : 320.6  
 3rd Qu.: 0.00000   3rd Qu.:41.42   3rd Qu.: 0.6217   3rd Qu.: 617.0  
 Max.   :35.00000   Max.   :43.36   Max.   : 4.2156   Max.   :1572.0  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:200.0   1st Qu.:132.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median :  1.000   Median :0  
 Mean   : 6.507   Mean   :217.4   Mean   :150.6   Mean   :  7.059   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.:  8.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :114.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.50   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03082   Mean   :28.37   Mean   :-16.05   Mean   : 518.6  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

Visualización de 6 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=6)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=6)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax          tmin            precip           nevada 
 Min.   : 1.000   Min.   : -8   Min.   :-58.00   Min.   : 49.00   Min.   :0  
 1st Qu.: 3.000   1st Qu.:126   1st Qu.: 58.00   1st Qu.: 61.50   1st Qu.:0  
 Median : 9.000   Median :147   Median : 77.00   Median : 74.00   Median :0  
 Mean   : 7.046   Mean   :151   Mean   : 79.87   Mean   : 82.04   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:173   3rd Qu.:100.00   3rd Qu.: 92.00   3rd Qu.:0  
 Max.   :12.000   Max.   :350   Max.   :223.00   Max.   :422.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   :  0.0000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.0000   1st Qu.:42.24   1st Qu.: -8.411   1st Qu.:  42.0  
 Median :  0.0000   Median :42.89   Median : -5.598   Median : 108.0  
 Mean   :  0.6346   Mean   :42.23   Mean   : -4.912   Mean   : 203.8  
 3rd Qu.:  0.0000   3rd Qu.:43.36   3rd Qu.: -2.039   3rd Qu.: 261.0  
 Max.   :892.0000   Max.   :43.57   Max.   :  4.216   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin             precip     
 Min.   : 1.000   Min.   : -4.0   Min.   :-110.00   Min.   : 0.00  
 1st Qu.: 3.000   1st Qu.:132.0   1st Qu.:  34.00   1st Qu.: 6.00  
 Median : 5.000   Median :166.0   Median :  66.00   Median :14.00  
 Mean   : 6.003   Mean   :165.3   Mean   :  67.14   Mean   :17.43  
 3rd Qu.:10.000   3rd Qu.:199.0   3rd Qu.:  97.00   3rd Qu.:26.00  
 Max.   :12.000   Max.   :352.0   Max.   : 221.00   Max.   :95.00  
     nevada           prof_nieve           longitud        latitud       
 Min.   :0.000000   Min.   :  0.00000   Min.   :35.28   Min.   :-8.6494  
 1st Qu.:0.000000   1st Qu.:  0.00000   1st Qu.:39.49   1st Qu.:-5.5975  
 Median :0.000000   Median :  0.00000   Median :41.29   Median :-3.4500  
 Mean   :0.000526   Mean   :  0.08321   Mean   :40.79   Mean   :-2.7727  
 3rd Qu.:0.000000   3rd Qu.:  0.00000   3rd Qu.:42.38   3rd Qu.: 0.3264  
 Max.   :6.000000   Max.   :229.00000   Max.   :43.57   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  52.0  
 Median : 263.0  
 Mean   : 381.3  
 3rd Qu.: 667.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax             tmin             precip      
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.: 32.00   1st Qu.: -30.00   1st Qu.: 17.00  
 Median : 7.000   Median : 81.00   Median :  14.00   Median : 29.00  
 Mean   : 6.556   Mean   : 89.32   Mean   :  17.88   Mean   : 33.37  
 3rd Qu.: 9.000   3rd Qu.:144.00   3rd Qu.:  68.00   3rd Qu.: 46.00  
 Max.   :12.000   Max.   :263.00   Max.   : 150.00   Max.   :126.00  
     nevada    prof_nieve        longitud        latitud           altitud    
 Min.   :0   Min.   :   0.0   Min.   :40.78   Min.   :-4.0103   Min.   :1405  
 1st Qu.:0   1st Qu.:   0.0   1st Qu.:40.78   1st Qu.:-4.0103   1st Qu.:1894  
 Median :0   Median :   0.0   Median :42.38   Median : 0.8842   Median :2143  
 Mean   :0   Mean   :  13.1   Mean   :41.94   Mean   :-0.2357   Mean   :2103  
 3rd Qu.:0   3rd Qu.:   0.0   3rd Qu.:42.53   3rd Qu.: 1.5242   3rd Qu.:2316  
 Max.   :0   Max.   :1834.0   Max.   :42.77   Max.   : 2.4378   Max.   :2535  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   :168.0   Min.   : 54.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 6.000   1st Qu.:252.0   1st Qu.:128.0   1st Qu.: 1.000   1st Qu.:0  
 Median : 7.000   Median :279.0   Median :156.0   Median : 4.000   Median :0  
 Mean   : 7.348   Mean   :278.3   Mean   :156.1   Mean   : 6.661   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:305.0   3rd Qu.:183.0   3rd Qu.:11.000   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :254.0   Max.   :43.000   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :35.28   Min.   :-7.8603   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:37.98   1st Qu.:-4.0492   1st Qu.:  34.0  
 Median : 0.00000   Median :40.07   Median :-1.4106   Median : 143.0  
 Mean   : 0.00193   Mean   :39.74   Mean   :-1.7702   Mean   : 320.6  
 3rd Qu.: 0.00000   3rd Qu.:41.42   3rd Qu.: 0.6217   3rd Qu.: 617.0  
 Max.   :35.00000   Max.   :43.36   Max.   : 4.2156   Max.   :1572.0  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.00   Min.   :  0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.: 94.0   1st Qu.: 23.00   1st Qu.:  0.00   1st Qu.:0  
 Median : 7.000   Median :129.0   Median : 51.00   Median :  3.00   Median :0  
 Mean   : 6.585   Mean   :138.4   Mean   : 60.83   Mean   : 10.29   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:183.0   3rd Qu.: 98.00   3rd Qu.: 13.00   3rd Qu.:0  
 Max.   :12.000   Max.   :253.0   Max.   :159.00   Max.   :114.00   Max.   :0  
   prof_nieve         longitud        latitud         altitud    
 Min.   : 0.0000   Min.   :28.31   Min.   :-16.5   Min.   :2371  
 1st Qu.: 0.0000   1st Qu.:28.31   1st Qu.:-16.5   1st Qu.:2371  
 Median : 0.0000   Median :28.31   Median :-16.5   Median :2371  
 Mean   : 0.1766   Mean   :28.31   Mean   :-16.5   Mean   :2371  
 3rd Qu.: 0.0000   3rd Qu.:28.31   3rd Qu.:-16.5   3rd Qu.:2371  
 Max.   :46.0000   Max.   :28.31   Max.   :-16.5   Max.   :2371  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 87.0   Min.   : 64.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 3.000   1st Qu.:212.0   1st Qu.:150.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 6.000   Median :233.0   Median :168.0   Median :  1.000   Median :0  
 Mean   : 6.491   Mean   :233.9   Mean   :169.4   Mean   :  6.384   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:259.0   3rd Qu.:196.0   3rd Qu.:  7.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :112.000   Max.   :0  
   prof_nieve           longitud        latitud          altitud     
 Min.   :0.0000000   Min.   :27.82   Min.   :-17.89   Min.   : 14.0  
 1st Qu.:0.0000000   1st Qu.:28.05   1st Qu.:-16.56   1st Qu.: 25.0  
 Median :0.0000000   Median :28.46   Median :-16.26   Median : 33.0  
 Mean   :0.0003515   Mean   :28.38   Mean   :-15.96   Mean   :131.5  
 3rd Qu.:0.0000000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 64.0  
 Max.   :2.0000000   Max.   :28.95   Max.   :-13.60   Max.   :632.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

Visualización de 8 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=8)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=8)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip          nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.00   Min.   : 99.0   Min.   :0  
 1st Qu.: 3.000   1st Qu.:119.5   1st Qu.: 57.00   1st Qu.:110.0   1st Qu.:0  
 Median :10.000   Median :141.0   Median : 80.00   Median :121.0   Median :0  
 Mean   : 7.501   Mean   :148.0   Mean   : 80.85   Mean   :132.5   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:171.5   3rd Qu.:104.00   3rd Qu.:142.0   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.000   1st Qu.:41.23   1st Qu.: -8.616   1st Qu.:  33.0  
 Median :  0.000   Median :42.43   Median : -7.456   Median : 251.0  
 Mean   :  3.046   Mean   :41.36   Mean   : -5.732   Mean   : 320.7  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -2.039   3rd Qu.: 370.0  
 Max.   :892.000   Max.   :43.57   Max.   :  3.035   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 57.0   Min.   :  1.00   Min.   : 49.00   Min.   :0  
 1st Qu.: 3.000   1st Qu.:127.0   1st Qu.: 58.00   1st Qu.: 59.00   1st Qu.:0  
 Median : 9.000   Median :147.0   Median : 76.00   Median : 68.00   Median :0  
 Mean   : 6.942   Mean   :151.7   Mean   : 79.65   Mean   : 70.58   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:173.0   3rd Qu.: 99.00   3rd Qu.: 80.00   3rd Qu.:0  
 Max.   :12.000   Max.   :266.0   Max.   :180.00   Max.   :104.00   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :35.28   Min.   :-8.649   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:42.33   1st Qu.:-8.372   1st Qu.:  42.0  
 Median : 0.00000   Median :43.30   Median :-3.875   Median :  98.0  
 Mean   : 0.08646   Mean   :42.43   Mean   :-4.726   Mean   : 177.2  
 3rd Qu.: 0.00000   3rd Qu.:43.36   3rd Qu.:-2.039   3rd Qu.: 261.0  
 Max.   :35.00000   Max.   :43.57   Max.   : 4.216   Max.   :1572.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin             precip     
 Min.   : 1.000   Min.   : -4.0   Min.   :-110.00   Min.   : 0.00  
 1st Qu.: 2.000   1st Qu.:116.0   1st Qu.:  20.00   1st Qu.: 5.00  
 Median : 4.000   Median :151.0   Median :  47.00   Median :11.00  
 Mean   : 5.785   Mean   :148.5   Mean   :  45.33   Mean   :14.23  
 3rd Qu.:11.000   3rd Qu.:180.0   3rd Qu.:  73.00   3rd Qu.:21.00  
 Max.   :12.000   Max.   :264.0   Max.   : 138.00   Max.   :80.00  
     nevada           prof_nieve          longitud        latitud       
 Min.   :0.000000   Min.   :  0.0000   Min.   :37.13   Min.   :-8.6239  
 1st Qu.:0.000000   1st Qu.:  0.0000   1st Qu.:40.30   1st Qu.:-3.7881  
 Median :0.000000   Median :  0.0000   Median :41.11   Median :-1.7869  
 Mean   :0.000813   Mean   :  0.1115   Mean   :40.94   Mean   :-1.5403  
 3rd Qu.:0.000000   3rd Qu.:  0.0000   3rd Qu.:41.91   3rd Qu.: 0.7106  
 Max.   :6.000000   Max.   :229.0000   Max.   :43.56   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.: 176.0  
 Median : 554.0  
 Mean   : 520.1  
 3rd Qu.: 779.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax             tmin             precip      
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.: 32.00   1st Qu.: -30.00   1st Qu.: 17.00  
 Median : 7.000   Median : 81.00   Median :  14.00   Median : 29.00  
 Mean   : 6.556   Mean   : 89.32   Mean   :  17.88   Mean   : 33.37  
 3rd Qu.: 9.000   3rd Qu.:144.00   3rd Qu.:  68.00   3rd Qu.: 46.00  
 Max.   :12.000   Max.   :263.00   Max.   : 150.00   Max.   :126.00  
     nevada    prof_nieve        longitud        latitud           altitud    
 Min.   :0   Min.   :   0.0   Min.   :40.78   Min.   :-4.0103   Min.   :1405  
 1st Qu.:0   1st Qu.:   0.0   1st Qu.:40.78   1st Qu.:-4.0103   1st Qu.:1894  
 Median :0   Median :   0.0   Median :42.38   Median : 0.8842   Median :2143  
 Mean   :0   Mean   :  13.1   Mean   :41.94   Mean   :-0.2357   Mean   :2103  
 3rd Qu.:0   3rd Qu.:   0.0   3rd Qu.:42.53   3rd Qu.: 1.5242   3rd Qu.:2316  
 Max.   :0   Max.   :1834.0   Max.   :42.77   Max.   : 2.4378   Max.   :2535  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin           precip         nevada 
 Min.   : 1.000   Min.   : 75.0   Min.   : -3.0   Min.   : 0.0   Min.   :0  
 1st Qu.: 3.000   1st Qu.:165.0   1st Qu.: 80.0   1st Qu.:10.0   1st Qu.:0  
 Median : 6.000   Median :196.0   Median :108.0   Median :21.0   Median :0  
 Mean   : 6.401   Mean   :196.2   Mean   :107.1   Mean   :23.3   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:226.0   3rd Qu.:135.0   3rd Qu.:35.0   3rd Qu.:0  
 Max.   :12.000   Max.   :352.0   Max.   :221.0   Max.   :95.0   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :35.28   Min.   :-8.649   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:37.18   1st Qu.:-6.909   1st Qu.:  22.0  
 Median : 0.00000   Median :42.24   Median :-5.642   Median :  58.0  
 Mean   : 0.03149   Mean   :40.52   Mean   :-5.027   Mean   : 127.2  
 3rd Qu.: 0.00000   3rd Qu.:43.35   3rd Qu.:-3.799   3rd Qu.: 148.0  
 Max.   :40.00000   Max.   :43.57   Max.   : 4.216   Max.   :1405.0  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   :168.0   Min.   : 54.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 6.000   1st Qu.:252.0   1st Qu.:128.0   1st Qu.: 1.000   1st Qu.:0  
 Median : 7.000   Median :279.0   Median :156.0   Median : 4.000   Median :0  
 Mean   : 7.348   Mean   :278.3   Mean   :156.1   Mean   : 6.661   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:305.0   3rd Qu.:183.0   3rd Qu.:11.000   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :254.0   Max.   :43.000   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :35.28   Min.   :-7.8603   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:37.98   1st Qu.:-4.0492   1st Qu.:  34.0  
 Median : 0.00000   Median :40.07   Median :-1.4106   Median : 143.0  
 Mean   : 0.00193   Mean   :39.74   Mean   :-1.7702   Mean   : 320.6  
 3rd Qu.: 0.00000   3rd Qu.:41.42   3rd Qu.: 0.6217   3rd Qu.: 617.0  
 Max.   :35.00000   Max.   :43.36   Max.   : 4.2156   Max.   :1572.0  

if (!empty_nodes) summary(df.cluster07)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.00   Min.   :  0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.: 94.0   1st Qu.: 23.00   1st Qu.:  0.00   1st Qu.:0  
 Median : 7.000   Median :129.0   Median : 51.00   Median :  3.00   Median :0  
 Mean   : 6.585   Mean   :138.4   Mean   : 60.83   Mean   : 10.29   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:183.0   3rd Qu.: 98.00   3rd Qu.: 13.00   3rd Qu.:0  
 Max.   :12.000   Max.   :253.0   Max.   :159.00   Max.   :114.00   Max.   :0  
   prof_nieve         longitud        latitud         altitud    
 Min.   : 0.0000   Min.   :28.31   Min.   :-16.5   Min.   :2371  
 1st Qu.: 0.0000   1st Qu.:28.31   1st Qu.:-16.5   1st Qu.:2371  
 Median : 0.0000   Median :28.31   Median :-16.5   Median :2371  
 Mean   : 0.1766   Mean   :28.31   Mean   :-16.5   Mean   :2371  
 3rd Qu.: 0.0000   3rd Qu.:28.31   3rd Qu.:-16.5   3rd Qu.:2371  
 Max.   :46.0000   Max.   :28.31   Max.   :-16.5   Max.   :2371  

if (!empty_nodes) summary(df.cluster08)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 87.0   Min.   : 64.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 3.000   1st Qu.:212.0   1st Qu.:150.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 6.000   Median :233.0   Median :168.0   Median :  1.000   Median :0  
 Mean   : 6.491   Mean   :233.9   Mean   :169.4   Mean   :  6.384   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:259.0   3rd Qu.:196.0   3rd Qu.:  7.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :112.000   Max.   :0  
   prof_nieve           longitud        latitud          altitud     
 Min.   :0.0000000   Min.   :27.82   Min.   :-17.89   Min.   : 14.0  
 1st Qu.:0.0000000   1st Qu.:28.05   1st Qu.:-16.56   1st Qu.: 25.0  
 Median :0.0000000   Median :28.46   Median :-16.26   Median : 33.0  
 Mean   :0.0003515   Mean   :28.38   Mean   :-15.96   Mean   :131.5  
 3rd Qu.:0.0000000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 64.0  
 Max.   :2.0000000   Max.   :28.95   Max.   :-13.60   Max.   :632.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.hist(df.cluster07)

if (!empty_nodes) mpr.hist(df.cluster08)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster07)

if (!empty_nodes) mpr.boxplot(df.cluster08)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)

Visualización de 10 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=10)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=10)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)
  df.cluster09 <- subset(df, cluster==9)
  df.cluster10 <- subset(df, cluster==10)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip          nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.00   Min.   : 99.0   Min.   :0  
 1st Qu.: 3.000   1st Qu.:119.5   1st Qu.: 57.00   1st Qu.:110.0   1st Qu.:0  
 Median :10.000   Median :141.0   Median : 80.00   Median :121.0   Median :0  
 Mean   : 7.501   Mean   :148.0   Mean   : 80.85   Mean   :132.5   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:171.5   3rd Qu.:104.00   3rd Qu.:142.0   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.000   1st Qu.:41.23   1st Qu.: -8.616   1st Qu.:  33.0  
 Median :  0.000   Median :42.43   Median : -7.456   Median : 251.0  
 Mean   :  3.046   Mean   :41.36   Mean   : -5.732   Mean   : 320.7  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -2.039   3rd Qu.: 370.0  
 Max.   :892.000   Max.   :43.57   Max.   :  3.035   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 57.0   Min.   :  1.00   Min.   : 49.00   Min.   :0  
 1st Qu.: 3.000   1st Qu.:127.0   1st Qu.: 58.00   1st Qu.: 59.00   1st Qu.:0  
 Median : 9.000   Median :147.0   Median : 76.00   Median : 68.00   Median :0  
 Mean   : 6.942   Mean   :151.7   Mean   : 79.65   Mean   : 70.58   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:173.0   3rd Qu.: 99.00   3rd Qu.: 80.00   3rd Qu.:0  
 Max.   :12.000   Max.   :266.0   Max.   :180.00   Max.   :104.00   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :35.28   Min.   :-8.649   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:42.33   1st Qu.:-8.372   1st Qu.:  42.0  
 Median : 0.00000   Median :43.30   Median :-3.875   Median :  98.0  
 Mean   : 0.08646   Mean   :42.43   Mean   :-4.726   Mean   : 177.2  
 3rd Qu.: 0.00000   3rd Qu.:43.36   3rd Qu.:-2.039   3rd Qu.: 261.0  
 Max.   :35.00000   Max.   :43.57   Max.   : 4.216   Max.   :1572.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin             precip     
 Min.   : 1.000   Min.   : -4.0   Min.   :-110.00   Min.   : 0.00  
 1st Qu.: 2.000   1st Qu.: 95.0   1st Qu.:   1.00   1st Qu.: 5.00  
 Median : 3.000   Median :117.0   Median :  20.00   Median :11.00  
 Mean   : 5.625   Mean   :118.2   Mean   :  18.61   Mean   :14.75  
 3rd Qu.:11.000   3rd Qu.:142.0   3rd Qu.:  38.00   3rd Qu.:21.00  
 Max.   :12.000   Max.   :250.0   Max.   : 105.00   Max.   :80.00  
     nevada          prof_nieve         longitud        latitud      
 Min.   :0.00000   Min.   :  0.000   Min.   :37.13   Min.   :-8.624  
 1st Qu.:0.00000   1st Qu.:  0.000   1st Qu.:40.38   1st Qu.:-4.699  
 Median :0.00000   Median :  0.000   Median :40.95   Median :-3.723  
 Mean   :0.00099   Mean   :  0.214   Mean   :40.94   Mean   :-3.332  
 3rd Qu.:0.00000   3rd Qu.:  0.000   3rd Qu.:41.77   3rd Qu.:-1.885  
 Max.   :6.00000   Max.   :229.000   Max.   :43.46   Max.   : 2.482  
    altitud      
 Min.   :   4.0  
 1st Qu.: 617.0  
 Median : 750.0  
 Mean   : 769.3  
 3rd Qu.: 916.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax             tmin             precip      
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.: 32.00   1st Qu.: -30.00   1st Qu.: 17.00  
 Median : 7.000   Median : 81.00   Median :  14.00   Median : 29.00  
 Mean   : 6.556   Mean   : 89.32   Mean   :  17.88   Mean   : 33.37  
 3rd Qu.: 9.000   3rd Qu.:144.00   3rd Qu.:  68.00   3rd Qu.: 46.00  
 Max.   :12.000   Max.   :263.00   Max.   : 150.00   Max.   :126.00  
     nevada    prof_nieve        longitud        latitud           altitud    
 Min.   :0   Min.   :   0.0   Min.   :40.78   Min.   :-4.0103   Min.   :1405  
 1st Qu.:0   1st Qu.:   0.0   1st Qu.:40.78   1st Qu.:-4.0103   1st Qu.:1894  
 Median :0   Median :   0.0   Median :42.38   Median : 0.8842   Median :2143  
 Mean   :0   Mean   :  13.1   Mean   :41.94   Mean   :-0.2357   Mean   :2103  
 3rd Qu.:0   3rd Qu.:   0.0   3rd Qu.:42.53   3rd Qu.: 1.5242   3rd Qu.:2316  
 Max.   :0   Max.   :1834.0   Max.   :42.77   Max.   : 2.4378   Max.   :2535  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax          tmin           precip         nevada 
 Min.   : 1.000   Min.   : 75   Min.   :  4.0   Min.   : 0.0   Min.   :0  
 1st Qu.: 5.000   1st Qu.:161   1st Qu.: 83.0   1st Qu.:14.0   1st Qu.:0  
 Median : 7.000   Median :207   Median :118.0   Median :26.0   Median :0  
 Mean   : 6.796   Mean   :200   Mean   :113.2   Mean   :26.4   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:233   3rd Qu.:144.0   3rd Qu.:37.0   3rd Qu.:0  
 Max.   :12.000   Max.   :352   Max.   :221.0   Max.   :95.0   Max.   :0  
   prof_nieve          longitud        latitud          altitud    
 Min.   : 0.00000   Min.   :37.18   Min.   :-8.649   Min.   :   1  
 1st Qu.: 0.00000   1st Qu.:42.33   1st Qu.:-8.372   1st Qu.:  42  
 Median : 0.00000   Median :43.31   Median :-5.698   Median :  81  
 Mean   : 0.03741   Mean   :42.79   Mean   :-4.820   Mean   : 159  
 3rd Qu.: 0.00000   3rd Qu.:43.46   3rd Qu.:-2.906   3rd Qu.: 261  
 Max.   :40.00000   Max.   :43.57   Max.   : 4.216   Max.   :1405  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt           tmax            tmin            precip     
 Min.   : 1.000   Min.   :  8.0   Min.   :-44.00   Min.   : 0.00  
 1st Qu.: 3.000   1st Qu.:148.0   1st Qu.: 47.00   1st Qu.: 4.00  
 Median : 4.000   Median :173.0   Median : 67.00   Median :11.00  
 Mean   : 5.896   Mean   :169.6   Mean   : 63.94   Mean   :13.86  
 3rd Qu.:10.000   3rd Qu.:194.0   3rd Qu.: 84.00   3rd Qu.:21.00  
 Max.   :12.000   Max.   :264.0   Max.   :138.00   Max.   :66.00  
     nevada           prof_nieve          longitud        latitud       
 Min.   :0.000000   Min.   : 0.00000   Min.   :37.13   Min.   :-7.4558  
 1st Qu.:0.000000   1st Qu.: 0.00000   1st Qu.:39.99   1st Qu.:-1.8631  
 Median :0.000000   Median : 0.00000   Median :41.31   Median : 0.4731  
 Mean   :0.000689   Mean   : 0.04004   Mean   :40.94   Mean   :-0.2922  
 3rd Qu.:0.000000   3rd Qu.: 0.00000   3rd Qu.:41.96   3rd Qu.: 1.4181  
 Max.   :4.000000   Max.   :59.00000   Max.   :43.56   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  61.0  
 Median : 252.0  
 Mean   : 346.6  
 3rd Qu.: 582.0  
 Max.   :1213.0  

if (!empty_nodes) summary(df.cluster07)

   fecha_cnt           tmax            tmin            precip          nevada 
 Min.   : 1.000   Min.   : 95.0   Min.   : -3.00   Min.   : 0.00   Min.   :0  
 1st Qu.: 2.000   1st Qu.:167.5   1st Qu.: 76.00   1st Qu.: 5.00   1st Qu.:0  
 Median : 4.000   Median :186.0   Median : 98.00   Median :14.00   Median :0  
 Mean   : 5.771   Mean   :190.2   Mean   : 97.23   Mean   :18.34   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:210.0   3rd Qu.:119.00   3rd Qu.:28.00   3rd Qu.:0  
 Max.   :12.000   Max.   :305.0   Max.   :207.00   Max.   :80.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud     
 Min.   : 0.00000   Min.   :35.28   Min.   :-8.6494   Min.   :  1.0  
 1st Qu.: 0.00000   1st Qu.:36.50   1st Qu.:-6.2567   1st Qu.: 19.0  
 Median : 0.00000   Median :36.83   Median :-5.6000   Median : 32.0  
 Mean   : 0.02205   Mean   :36.90   Mean   :-5.3578   Mean   : 76.4  
 3rd Qu.: 0.00000   3rd Qu.:37.26   3rd Qu.:-4.8458   3rd Qu.: 87.0  
 Max.   :34.00000   Max.   :42.43   Max.   : 0.7106   Max.   :667.0  

if (!empty_nodes) summary(df.cluster08)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   :168.0   Min.   : 54.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 6.000   1st Qu.:252.0   1st Qu.:128.0   1st Qu.: 1.000   1st Qu.:0  
 Median : 7.000   Median :279.0   Median :156.0   Median : 4.000   Median :0  
 Mean   : 7.348   Mean   :278.3   Mean   :156.1   Mean   : 6.661   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:305.0   3rd Qu.:183.0   3rd Qu.:11.000   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :254.0   Max.   :43.000   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :35.28   Min.   :-7.8603   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:37.98   1st Qu.:-4.0492   1st Qu.:  34.0  
 Median : 0.00000   Median :40.07   Median :-1.4106   Median : 143.0  
 Mean   : 0.00193   Mean   :39.74   Mean   :-1.7702   Mean   : 320.6  
 3rd Qu.: 0.00000   3rd Qu.:41.42   3rd Qu.: 0.6217   3rd Qu.: 617.0  
 Max.   :35.00000   Max.   :43.36   Max.   : 4.2156   Max.   :1572.0  

if (!empty_nodes) summary(df.cluster09)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.00   Min.   :  0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.: 94.0   1st Qu.: 23.00   1st Qu.:  0.00   1st Qu.:0  
 Median : 7.000   Median :129.0   Median : 51.00   Median :  3.00   Median :0  
 Mean   : 6.585   Mean   :138.4   Mean   : 60.83   Mean   : 10.29   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:183.0   3rd Qu.: 98.00   3rd Qu.: 13.00   3rd Qu.:0  
 Max.   :12.000   Max.   :253.0   Max.   :159.00   Max.   :114.00   Max.   :0  
   prof_nieve         longitud        latitud         altitud    
 Min.   : 0.0000   Min.   :28.31   Min.   :-16.5   Min.   :2371  
 1st Qu.: 0.0000   1st Qu.:28.31   1st Qu.:-16.5   1st Qu.:2371  
 Median : 0.0000   Median :28.31   Median :-16.5   Median :2371  
 Mean   : 0.1766   Mean   :28.31   Mean   :-16.5   Mean   :2371  
 3rd Qu.: 0.0000   3rd Qu.:28.31   3rd Qu.:-16.5   3rd Qu.:2371  
 Max.   :46.0000   Max.   :28.31   Max.   :-16.5   Max.   :2371  

if (!empty_nodes) summary(df.cluster10)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 87.0   Min.   : 64.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 3.000   1st Qu.:212.0   1st Qu.:150.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 6.000   Median :233.0   Median :168.0   Median :  1.000   Median :0  
 Mean   : 6.491   Mean   :233.9   Mean   :169.4   Mean   :  6.384   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:259.0   3rd Qu.:196.0   3rd Qu.:  7.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :112.000   Max.   :0  
   prof_nieve           longitud        latitud          altitud     
 Min.   :0.0000000   Min.   :27.82   Min.   :-17.89   Min.   : 14.0  
 1st Qu.:0.0000000   1st Qu.:28.05   1st Qu.:-16.56   1st Qu.: 25.0  
 Median :0.0000000   Median :28.46   Median :-16.26   Median : 33.0  
 Mean   :0.0003515   Mean   :28.38   Mean   :-15.96   Mean   :131.5  
 3rd Qu.:0.0000000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 64.0  
 Max.   :2.0000000   Max.   :28.95   Max.   :-13.60   Max.   :632.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.hist(df.cluster07)

if (!empty_nodes) mpr.hist(df.cluster08)

if (!empty_nodes) mpr.hist(df.cluster09)

if (!empty_nodes) mpr.hist(df.cluster10)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster07)

if (!empty_nodes) mpr.boxplot(df.cluster08)

if (!empty_nodes) mpr.boxplot(df.cluster09)

if (!empty_nodes) mpr.boxplot(df.cluster10)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
  df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
  df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)